卡方检验失效时怎么办？费希尔精确检验原理与手算案例

上周整理一批临床试验数据时，R语言输出了一行警告：Chi-squared approximation may be incorrect。如果放在两年前，我可能直接略过这行字，把卡方p值抄进报告就完事。但这条警告背后藏着一个很容易被忽视的事实：在2×2列联表里，只要存在期望频数小于5的单元格，卡方检验的近似分布就并不可靠，算出来的p值可能偏离真值，严重时甚至会把显著结果判成不显著。费希尔精确概率检验（Fisher's exact test）就是为这类场景准备的——它不依赖任何大样本近似，也不需要什么“期望频数大于5”的前提，而是基于超几何分布，把表格出现的概率精确地算出来。这篇文章我会把它的原理、完整手算流程和真实项目里的实操细节都过一遍，适合正在做统计分析却总被小样本卡住的分析师、生物统计方向的研究生，以及每一个想把列联表检验用得扎实些的从业者。

1. 卡方检验“失效”的边界，正是费希尔精确检验的主场

1.1 期望频数规则：决定卡方还能不能用的那根线

很多人做2×2列联表检验时，只会机械地执行“卡方检验”，并不清楚卡方检验背后其实是一次近似。Pearson卡方统计量本身并不服从卡方分布，只是在样本量足够大时，它的抽样分布会趋近于卡方分布，这个趋近的前提就是“期望频数不能太小”。那到底多小算小？统计教材里最常见的说法是：所有单元格的期望频数都应该大于等于5。但这个标准在实操中并不是铁板一块，不同教材和软件给出的规则略有差异。

比较经典的判断思路来自Cochran。他最早给出的建议是：对于2×2表，如果期望频数小于5，卡方近似的误差就会变大，最好改用精确检验。后来这个规则在一些场合被放宽为“期望频数小于5的单元格比例不超过20%，且最小期望频数不小于1”，很多统计课程也接受这个说法。但这里有个细节要注意：很多人看的是“观测频数”，不是“期望频数”。观测频数里某个格子是2，看起来很危险，但如果行列边际都比较大，对应的期望频数可能并不低；反之，观测频数可能很高，期望频数却很小。所以判断卡方能不能用，必须去算期望频数，不能直接用观测频数代替。

还有一个很多人忽略的地方：卡方近似的质量不仅取决于期望频数的大小，还和总样本量、表格维度有关。总样本量越少，离散程度越高，近似效果越差。遇到n=20左右的2×2表，哪怕期望频数勉强过了5，卡方p值和精确检验p值也可能差不少。我在实际操作中给自己定了一条线：2×2表总样本量小于等于40，或者有任何单元格期望频数小于5，就不再用卡方作为最终报告依据，直接把费希尔精确检验拿上来。这条线不是唯一的，但确实帮我在多次审稿和汇报中避开了“统计方法不当”的质疑。

1.2 卡方是近似，费希尔是精确：检验逻辑的分岔路

卡方和费希尔检验的分岔，本质上是两种统计哲学。卡方检验走的是“近似路线”：在边际固定的前提下，构造一个检验统计量，然后借用卡方分布去计算p值。这种做法计算简单、适用范围广，但它是渐近的，需要大样本兜底。费希尔则走的是另一条路：既然不管观测到哪张表，行边际和列边际都已经被原始数据锁死了，那我干脆把所有满足同样边际的表格都枚举出来，逐一计算它们出现的概率，再看当前这张表落在整个分布里的什么位置。这样得到的p值不依赖任何渐近假设，所以叫“精确”。

正因为这个逻辑，费希尔检验在小样本场景下被很多人视作“金标准”。它不需要你操心期望频数是否达标，也不存在“近似结果可能不准”的隐患。但代价也很明显：如果表格稍大一点，比如5×5的列联表，枚举所有满足边际的组合数会爆炸式增长，手算基本不可能。所以在计算机普及之前，费希尔检验几乎只用于2×2表。现在R和Python都能处理更大的表，但原理依然是枚举或高效网络算法，而不是什么新魔法。

这里需要澄清一个常见的误解：费希尔精确检验里的“精确”，指的是概率计算本身不借助近似分布，而不是说它在所有情况下都比卡方检验更“准”。事实上，由于它把边际当作固定的条件来推断，检验本身带有保守性，在样本量特别小的时候，它能检验出差异的能力反而可能比卡方更弱一些。所以别把“精确”等同于“更显著”，它只是更稳妥——宁可犯错的概率小一点，也不轻易给出激进结论。

1.3 什么时候不必上费希尔：大样本表还是交给卡方

那是不是以后所有列联表都无脑上费希尔？当然不是。卡方检验如果适用，它的优势非常明显：计算速度快、可解释性好、而且在大样本下和费希尔检验的p值会非常接近。如果你手上是一个上千样本量的2×2表，所有期望频数都远远大于5，那你用卡方和用费希尔得到的结论几乎不会有什么差别，这时选卡方完全没问题。

但有一种情况值得多说一句：即使样本量很大，如果有单元格是0，一些分析师会犹豫要不要用卡方。其实期望频数为0和观测频数为0是两回事，只要期望频数够大，卡方照用不误。反过来，观测频数出现0不一定表示卡方不能用，要看行列边际推算出的期望频数是否达标。如果某个边际是0，那实质上是结构性的零，连检验本身都没有太大意义。对这种表，费希尔检验依然能跑出一个p值，但解读时一定要小心，p值再显著也得回到实际业务场景里去判断它到底说明了什么。所以我的选择逻辑通常在分析前就定好：看期望频数和总样本量，该用卡方用卡方，该上费希尔上费希尔，绝不在看到结果之后反过来挑一个对自己更有利的检验。

2. 一张2×2表格的精确概率是怎么算出来的

2.1 边际固定：费希尔条件推断的核心前提

费希尔精确检验的第一步，是理解“边际固定”这个条件。任何一张2×2列联表，通常可以写成这样：

费希尔的思路是：在行合计和列合计都已经固定的前提下，左上角单元格的数字a决定整张表的所有内容。因为b、c、d都可以由a和边际推出来：b=(a+b)-a，c=(a+c)-a，d=n-a-b-c。换句话说，这张2×2表原本有四个自由度，但在边际固定后只剩下一个自由参数，就是a。这也是为什么后面计算概率时，我们只需要研究a的分布就够了。

为什么要强调边际固定？因为这背后是费希尔对实验设计的理解。在随机对照试验里，处理组和对照组的样本量是研究者事先定好的，这是行边际。事件发生的总数虽然事先不知道，但在数据拿到手之后也变成了已知事实。费希尔主张，在给定这些边际的前提下，我们才能真正讨论“这张表在多大程度上支持独立假设”。这种条件推断的思路，和“重复抽样中行边际和列边际都随机变化”的推断框架是不同的。很多人在理解费希尔检验时卡住的点就在这里：为什么非要固定边际？因为不固定边际，你就没法确定超几何分布的参数，精确概率也就无从谈起。

2.2 超几何分布公式：如何从组合数推导出精确概率

边际固定之后，a服从的条件分布就是超几何分布。可以这样理解：把n个个体看成一组球，其中有a+b个属于处理组，c+d个属于对照组；现在不区分组别，只看事件发生的那a+c个个体，相当于从n个球里随机抽出a+c个，问其中有多少个来自处理组。这个抽球过程正是超几何分布的经典设定。

对应的概率公式是：

P(a) = C(a+b, a) × C(c+d, c) / C(n, a+c)

这里C(x, y)表示从x个元素里取y个的组合数。上面这个公式也可以写成更对称的形式：

P(a) = (a+b)! (c+d)! (a+c)! (b+d)! / (a! b! c! d! n!)

两个公式是等价的，只是表达重点不同。第一个公式更直观，它把问题拆成了“从处理组里取出a个”乘以“从对照组里取出c个”，再除以“总共取a+c个”的所有可能组合数。第二个公式在计算上更好用，因为阶乘形式更容易在程序里实现，手算时也不容易漏掉某个组合数。

实际操作中，计算a的所有可能取值范围时要格外小心。a并不是从0到n随便取，它必须同时满足行列边际的约束。对于上面这张表，a的最小值至少是max(0, (a+b)+(a+c)-n)，最大值至多是min(a+b, a+c)。这个边界直接决定了你要枚举多少张表格，也决定了“更极端”的表格到底有哪些。

2.3 为什么“更极端”的表格决定p值

精确概率算出之后，下一步就是定义什么叫“更极端”。单侧检验中，“更极端”是指在某个方向上比当前观察到的表更有偏离独立趋势的表。比如当前表显示处理组事件发生率高于对照组，那么更极端的情况就是处理组事件发生数比现在还多、对照组更少的那些表。把这些表格出现的概率全部加起来，得到的就是单侧p值。双侧检验则要麻烦一些，一般做法是把所有概率不大于当前观察表概率的表格都算进来，再求和。

这里有一个经常被初学者忽略的关键点：双侧检验并不是简单地把单侧p值乘以2。只有在概率分布完全对称的特殊情况下，乘以2的结果才会恰好等于双侧p值。大多数实际数据并不满足这种对称性，所以计算结果可能接近但不完全一致。我在第三节会用一个完整案例把这一步拆开算一遍，看完就清楚了。

3. 手算一个完整案例：p值从无到有的全过程

3.1 一个16例的案例：从原始数据到列联表

假设我们做了一个小规模的临床观察，16名受试者分成两组：治疗组8人，对照组8人。治疗后统计治愈情况，得到如下结果：

直观上看，治疗组的治愈率是7/8=87.5%，对照组是2/8=25%，差距非常大。但问题在于样本量太小了，卡方检验的适用性存疑，于是我们把这张表交给费希尔精确检验。这里a取7，行边际都是8，列边际分别是9和7，n=16。根据边际约束，a的最小可能值是max(0, 8+9-16)=1，最大可能值是min(8, 9)=8。也就是说，在所有保持边际不变的表里，a只能从1取到8。

3.2 逐项枚举所有可能表格的概率分布

现在用超几何公式逐一计算a从1到8的概率。公式用第一个写法：

P(a) = C(8, a) × C(8, 9-a) / C(16, 9)

这里我稍微解释一下：a是治疗组治愈人数，那么对照组治愈人数就是9-a；处理组总人数8从边际来，对照组总人数8从边际来，总组合数是C(16, 9)。逐项计算结果如下：

等等，表里这个算法的分子我写错了。C(8, a)是从治疗组8人里选a个治愈者，C(8, 9-a)是从对照组8人里选9-a个治愈者，但对照组总共治愈数应该是列边际9减去a，也就是9-a，所以分母C(16, 9)是对的。让我重新逐项确认一下：

a=1：C(8,1)=8，C(8,8)=1，乘积8，概率8/12870=0.00062，而不是0.00070。
a=2：C(8,2)=28，C(8,7)=8，乘积224，概率224/12870=0.01741。
a=3：C(8,3)=56，C(8,6)=28，乘积1568，概率1568/12870=0.12183。
a=4：C(8,4)=70，C(8,5)=56，乘积3920，概率3920/12870=0.30459。
a=5：C(8,5)=56，C(8,4)=70，乘积3920，概率0.30459。
a=6：C(8,6)=28，C(8,3)=56，乘积1568，概率0.12183。
a=7：C(8,7)=8，C(8,2)=28，乘积224，概率224/12870=0.01741。
a=8：C(8,8)=1，C(8,1)=8，乘积8，概率8/12870=0.00062。

这里a=7对应的治愈人数分布应该是治疗组7人治愈、对照组2人治愈，但对照组总共治愈9-7=2人，未治愈6人，和原始数据一致。总计概率为：0.00062+0.01741+0.12183+0.30459+0.30459+0.12183+0.01741+0.00062=0.88890。还差一点到1，因为四舍五入产生了累计误差。精确加法应该是：(8+224+1568+3920+3920+1568+224+8)/12870 = 11440/12870 = 0.88889。剩下的0.11111跑到哪里去了？这就涉及一个关键细节：a的取值范围不是1到8，而是0到8。如果a=0，对应的表是治疗组0人治愈、对照组9人治愈，但对照组总共只有8人，这不可能，所以a=0确实不允许。哎，这里我犯了个错误：列边际治疗组8人、对照组8人，但治愈总数9人，这说明必须有人多于总人数才能实现，但8+8=16，9个人治愈是可能的。a=0意味着治疗组0人治愈、对照组9人治愈，而对照组只有8人，不可能，所以a=0被排除。让我重新检查边际条件：行1合计8，行2合计8，列1合计9，列2合计7。a最小值应该是max(0, 行1+列1-n)=max(0, 8+9-16)=1，最大值min(8, 9)=8。所以范围1到8没错。但为什么概率总和不等于1？因为我分母用了C(16, 9)，且每个a的分子是C(8,a)C(8,9-a)。根据超几何分布的性质，对于a从max(0, 8+9-16)=1到min(8,9)=8，所有概率之和应该等于1。让我再算一下：

C(8,1)C(8,8)=8×1=8
C(8,2)C(8,7)=28×8=224
C(8,3)C(8,6)=56×28=1568
C(8,4)C(8,5)=70×56=3920
C(8,5)C(8,4)=56×70=3920
C(8,6)C(8,3)=28×56=1568
C(8,7)C(8,2)=8×28=224
C(8,8)C(8,1)=1×8=8

总数=8+224+1568+3920+3920+1568+224+8=11440。但C(16,9)=11440。啊，C(16,9)=16!/7!9! = 11440，不是12870。12870是C(16,8)和C(16,7)? C(16,8)=12870。因为我用了分母C(16,9)=11440。这样概率总和就精确等于1。所以修正后的概率：

a=1：8/11440=0.000699
a=2：224/11440=0.019580
a=3：1568/11440=0.137063
a=4：3920/11440=0.342657
a=5：3920/11440=0.342657
a=6：1568/11440=0.137063
a=7：224/11440=0.019580
a=8：8/11440=0.000699

这和我最初用C(9,7)C(7,1)/C(16,8)的计算结果一致，因为：C(8,7)×C(8,2)/C(16,9) = 8×28/11440=224/11440=0.01958。而C(9,7)C(7,1)/C(16,8)=36×7/12870=252/12870=0.01958，两者等价。好的，这说明两种写法都能用，但我在表里必须保持一致。我直接按a值展示正确的概率表：

所有概率相加刚好等于1。这个表其实很有意思：a=4和a=5的表格概率最高，各占34.27%，也就是说在边际固定的前提下，即使组别和治疗效果完全无关，我们也极可能看到两者治愈人数接近的表格。而我们实际观察到的a=7，处于分布右侧的尾部，概率只有0.01958。

3.3 单侧与双侧p值的汇总规则

如果研究假设是“治疗组的治愈率高于对照组”，那就取右侧单侧检验。比观测表a=7更极端的情况是a=8，概率0.00070。于是单侧p值=P(a=7)+P(a=8)=0.01958+0.00070=0.02028。这个p值小于0.05，意味着在单侧检验水平为0.05时，零假设可以被拒绝，治疗组的治愈率确实显著高于对照组。

如果是没有明确方向的研究假设，就需要做双侧检验。双侧的经典定义是：把所有概率值不超过当前观察表概率值的表格全部加起来。观察表a=7的概率是0.01958，那a=1到8里概率不高于0.01958的是哪些？是a=1(0.00070)、a=2(0.01958)、a=7(0.01958)、a=8(0.00070)，四项相加得到双侧p值0.04056。这个值也小于0.05，所以双侧结论和单侧一致，都是显著相关。这是一个比较理想的教学案例：单侧和双侧结论一致，且数字刚好呈现出对称性。

不过要注意，这个“刚好一致”并不是常态。如果观察表落在分布更不对称的位置，单侧p值乘以2可能会高估或低估真正的双侧p值。R语言的fisher.test对双侧的默认实现就是按累积概率加总的方式做的，和手算一致。所以当你发现软件输出的双侧p值并不等于单侧p值的两倍时，不要惊讶，这不是bug，而是检验逻辑本身的取舍。

4. 软件实现、参数选择与真实项目中的坑

4.1 R、Python、SPSS的调用差异与隐藏默认值

实际项目中几乎没有人会手算费希尔检验，都是交给软件。但软件之间的实现细节差异比很多人想象的要大。先看R语言中最常见的调用方式：

r复制tab <- matrix(c(7, 1, 2, 6), nrow = 2, byrow = TRUE)
fisher.test(tab)

这行代码默认执行双侧检验，并返回一个条件逻辑回归框架下估计出的比值比（odds ratio）以及对应的p值。注意，R的fisher.test对2×2表返回的OR并不是简单的手算样本OR，它用的是条件最大似然估计。所以如果你在报告里写OR=(7×6)/(1×2)=21，然后发现R输出的是20.9左右，不要慌张，这是估计方法不同导致的，不是算错了。

Python这边，scipy库对应的函数是：

python复制from scipy.stats import fisher_exact
oddsratio, p_value = fisher_exact([[7, 1], [2, 6]], alternative="two-sided")

Python的fisher_exact返回的第一个值是样本OR，计算方法就是ad/(bc)，和R的返回值可能略有差异。另外，scipy的alternative参数默认是“two-sided”，但如果你想做单侧检验，可以改成“greater”或“less”。这里最容易被坑的是方向定义：greater代表第一个样本所在组的比值比大于1，换个行列顺序结果可能完全相反。建议在写代码时先确认自己矩阵里哪一行是处理组，哪一行是对照组，再选择方向。

SPSS的操作路径是Analyze → Descriptive Statistics → Crosstabs，把分组变量放入行、结果变量放入列，然后在Statistics里勾选Chi-square，再在Exact选项里选择Exact或Monte Carlo。SPSS输出结果中会同时给出Pearson卡方、连续性校正卡方和Fisher精确检验的p值。我的建议是不要只看最后一行，而要先看期望频数最小的单元格是多少，再决定以哪一行为准。SPSS的Exact选项在计算大于2×2的表时会比较慢，如果大表跑不动，可以改用Monte Carlo模拟，但要在报告里注明模拟次数和置信水平。

4.2 单侧还是双侧：什么情况各自成立

这是费希尔检验里最容易被误用的问题。很多人拿到数据后，先看卡方结果，发现不显著，然后心想“我本来就有方向性假说”，就切换到单侧检验，把p值降到显著水平以下。这种操作在学术上是被明确反对的，因为检验方向必须在数据分析之前就确定，并且要在报告里说明理由。单侧检验什么时候合理？研究假设里有明确的先验方向才行，比如药物作用机理决定了它只会单向影响指标，或者文献和前期研究已经给出了稳定的效应方向。如果只是翻到结果不理想才想起来用单侧，审稿人一眼就能看出来。

双侧检验代表的是更保守的态度：我们只关心两组是否存在差异，不预先判断方向。在探索性分析、观察性研究、以及大部分医学研究报告里，双侧检验是默认选择。需要额外注意的一点是，费希尔检验的双侧定义在不同软件里可能不完全一致，但绝大多数主流实现采用的都是“累积概率”或“两倍较小单侧p值”取合适近似的方式。如果你前后用了不同软件，最好先在相同的小数据集上跑一遍，确认p值是否一致，再大批量处理。

4.3 OR值、置信区间与p值，缺一不可的报告组合

费希尔精确检验的p值本身只是“关联是否存在”的统计证据，但真正有业务价值的效应量是比值比及其置信区间。如果只报告“p<0.05”，读者只知道两组有差异，不知道差异有多大；如果只报告OR=21而忽略置信区间，也无法判断这个估计的稳定性。以我们第三节的案例为例，OR=21，95%置信区间用精确方法算出来大约是1.75到523.76。这个区间跨度非常大，说明样本量太小，虽然p值显著，但效应的精度非常有限。

这也是我在实际报告中特别提醒自己的一点：小样本下费希尔检验的p值确实显著，但对应的置信区间往往宽得吓人。这种显著性更多是一种“存在证据”，而不是“效果大小保证”。所以在给业务方或期刊写结论时，我一定会注明置信区间，并强调这个效应量的不确定性。很多数据分析新手只盯着p值看，这是最容易踩的坑。

软件还会同时给出一个OR的点估计和置信区间。R的fisher.test直接输出置信区间，Python的fisher_exact只返回点估计，不直接给置信区间，需要自己去实现精确置信区间算法或用其他库计算。这就意味着，如果你在Python里跑费希尔检验，报告里想写置信区间，得额外走一步。我一般会用R的fisher.test来做最终报告，因为它的输出更完整，也更符合医学期刊的写作要求。

4.4 超过2×2的表怎么办，以及费希尔检验的边界

最后聊一下扩展场景。3×2、3×3甚至更大的列联表能不能用费希尔检验？理论上可以，R的fisher.test也支持任意维度的表，但背后用的是网络算法或者蒙特卡洛模拟，当表维度变大、边际值变高时，计算开销会迅速上升。实际项目中如果遇到超过2×2的表，我通常先看期望频数情况：如果大多数单元格的期望频数都满足条件，直接用卡方检验就够了；如果确实有大量单元格期望频数太小，再考虑精确检验，但这时要预估好计算时间。

还有一个边界值得注意：费希尔检验将边际固定，这在实验性研究里是合理的，但在观察性研究里，边际并一定固定。比如调查问卷里男性的数量和患病人数都不是预先控制的，把它们视为固定条件就会损失一部分“重复抽样”的随机性。有些统计学家因此认为费希尔检验在某些观察性场景下过于保守。这种争议不会影响它在小样本和期刊审稿中的实际地位，但你心里要有一本账：方法本身有适用前提，不是万能钥匙。

我自己在使用时的决策顺序大致是这样的：先看表的维度，2×2是标准场景；再看期望频数，任意单元格小于5且总样本不大，直接上费希尔；如果样本量很大，即使有单元格期望频数偏低，只要不是0，我也会先用卡方跑一遍，再和费希尔的结果对照一下。两边的p值如果非常接近，卡方就可以作为主要报告结果；如果差异明显，我会进一步检查是不是有单元格期望频数过低或者样本量太小，再决定以哪个为准。这个过程多跑几次之后，你对数据的感觉会越来越准。